Zusammenfassung
Im folgenden Beitrag wird die Genauigkeit optischer Indoor-Positionierungssysteme in Abhängigkeit von Bildmessdaten analysiert und die Umsetzung automatisierter Klassifikations- und Detektionsverfahren für ein mobiles, bildbasiertes Indoor Positionierungssystem, realisiert durch eine Handykamera, vorgestellt. Die Positionsbestimmung erfolgt in diesem Fall anhand einer Einzelbildaufnahme, welche die Projektion eines Objektes mit vier Referenzpunkten enthält. Die Referenzpunkte besitzen dabei bekannte Objektkoordinaten. Um die Position der Kamera relativ zum Objekt zu erhalten, muss das Objekt zuerst detektiert und klassifiziert werden. Danach müssen die Bildkoordinaten extrahiert werden, um anschließend den räumlichen Rückwärtsschnitt zur Positionsbestimmung anwenden zu können. Wenn ein Objekt korrekt klassifiziert wird, hängt die Qualität der Position zu einem großen Teil von der Genauigkeit der extrahierten Bildkoordinaten und des verwendeten Algorithmus zur Lösung des Rückwärtsschnitts ab. Daher werden drei Ansätze zur Bestimmung des räumlichen Rückwärtsschnitts verglichen und zwei Verfahren zur Klassifikation georeferenzierter Türen und die Extraktion der Bildkoordinaten der Türeckpunkte vorgestellt. Anhand statistischer Untersuchungen werden die beiden Klassifikationsverfahren bezüglich ihrer Robustheit miteinander verglichen und die Genauigkeit der Extraktion der Bildkoordinaten aufgezeigt.
Summary
In this paper, we focus on the accuracy of optical indoor positioning and the design of an automated and mobile positioning system based on pictures taken by a cell phone camera. We restrict ourselves to automated relative pose estimation given only one image including the projection of an object with four reference points with known image and world coordinates. To infer the relative pose from the image coordinates of the reference points, we first have to detect and classify an object, afterwards localize the image coordinates, and finally apply spatial resection. We show, that if an object is correctly classified, then the quality of the positioning heavily depends on the accuracy of the localization of the image coordinates and on the choice of the spatial resection algorithm. To this end, we compare three different spatial resection algorithms and present two combinations of object classification and image coordinate localization techniques using doors as known objects. Statistical evaluations are provided to judge the different classification methods in terms of robustness and to present the accuracy of the image coordinate localization techniques.
